Unsupervised anomaly detection via deep metric learning with end-to-end optimization

Bu çalışmakta yüksek boyutlu veriler için denetimsiz anormallik tespitini araştırılmakta ve derin metrik öğrenme tabanlı bir yapı sunulmaktadır. Derin sinir ağı aracılığıyla bir mesafe metriği öğrenilmektedir. Bu metrik aracılığıyla veriler daha küçük boyutlu metrik alana yansıtılmaktadır. Bu sayede anormallikleri normal verilerden daha iyi ayrılmakta ve yüksek boyutlu veriler için çok boyutluluğun lanetinin etkisi azaltılmaktadır. Tüm verileri normal kabul eden geleneksel uygulama yerine kendi kendine denetim yoluyla veriyi anormalliklerden arındıran yeni bir veri saflaştırma yöntemi sunulmaktadır. Ayrıca DML literatüründeki sert madencilik tekniğini kullanıyoruz. Bu bileşenlerin ayrı ayrı modelimizin performansını iyileştirdiği gösterilmektedir. Literatürde yaygın olarak kullanılan 14 farklı gerçek dünya veri kümesinde yapılan kapsamlı deneyler sayesinde yöntemimiz, literatürdeki popüler denetimsiz anormallik algılama yöntemlerine kıyasla önemli performans kazanımları ortaya koymakta ve bu 14 veri kümesinin ortalamasında %4.44 ile %11.74 arasında ortalama eğri altındaki alan metriğinde artış sağlamaktadır. Tüm bunların yanında başka araştırmalara öncülük etmek adına metodumuzun kaynak kodu Github'da herkese açık şekilde paylaşılmaktadır.